[發明專利]基于深度學習和分布式信源編碼的高光譜圖像壓縮方法

有效

• 申請號: 201911313423.8
• 申請日: 2019-12-18
• 公開（公告）號: CN111145276B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 李永軍;杜浩浩;李莎莎;鄧浩;陳立家;曹雪;王贊;李鵬飛
• 申請（專利權）人: 河南大學
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/0464;G06N3/08
• 代理公司: 鄭州聯科專利事務所(普通合伙) 41104
• 代理人: 王聚才

1.基于深度學習和分布式信源編碼的高光譜圖像壓縮方法，其特征在于：包括以下步驟：

步驟1：構建高光譜圖像顯著性檢測深度學習網絡模型RHSNet；

步驟2：提取待壓縮的高光譜圖像X的譜段分組與關鍵幀；

步驟3：根據步驟2得到的待壓縮的高光譜圖像X的譜段分組與關鍵幀，提取待壓縮的高光譜圖像X的譜段組局部顯著性特征；

步驟4：將步驟2得到的待壓縮的高光譜圖像X的譜段分組與關鍵幀作為輸入，輸入步驟1得到的高光譜圖像顯著性檢測深度學習網絡模型RHSNet，提取待壓縮的高光譜圖像X的譜段組高層顯著性特征，得到該譜段組X_n的全局顯著性映射圖S_deep；

步驟5：將步驟3得到的待壓縮的高光譜圖像X的譜段組X_n局部顯著性特征和步驟4得到的待壓縮的高光譜圖像X的譜段組X_n的全局顯著性映射圖S_deep進行融合與增強，得到譜段組X_n的顯著性映射圖S_fuse，并進一步得到待壓縮的高光譜圖像X的譜段組X_n的感興趣區域S_ROI；

步驟6：對步驟5得到的待壓縮的高光譜圖像X的譜段組X_n的感興趣區域S_ROI進行分布式壓縮，直至待壓縮的高光譜圖像X的譜段組X_n中非關鍵幀的序列號加1后的和值等于譜段組X_n中非關鍵幀的總數值；

步驟7：判斷待壓縮的高光譜圖像X的譜段組數加1后的和值是否等于高光譜圖像X總的譜段組數N，若是，則得到高光譜圖像的壓縮編碼；否則，執行步驟3。

2.根據權利要求1所述的基于深度學習和分布式信源編碼的高光譜圖像壓縮方法，其特征在于：步驟1中所述的構建高光譜圖像顯著性檢測深度學習網絡模型RHSNet的方法為：

步驟1.1：對用于訓練的高光譜圖像和對應的高光譜圖像顯著性映射圖進行尺寸歸一化；

步驟1.2：把歸一化的高光譜圖像X_norm和對應的高光譜圖像顯著性映射圖S_norm送入ResNet-50網絡，構建高光譜圖像顯著性檢測深度學習網絡模型RHSNet，具體方法為：

其中，G(i,j)∈{0,1}表示第i行第j列的像素點是否為GT label；

P(i,j)表示預測出(i,j)像素點為顯著物體的概率；

e＝{e_k∶k＝1,2,……,K²}和f＝{f_k∶k＝1,2,……,K²}是兩個對應Patch的像素值，分別從預測顯著性概率圖S_norm和高光譜圖像X_norm中裁剪；

μ_e、μ_f和σ_e、σ_f分別是e和f的均值和標準差，σ_ef為e和f的協方差；

C₁、C₂分別取0.01²和0.03²；

步驟1.3：利用隨機梯度下降法對高光譜圖像顯著性檢測深度學習網絡模型RHSNet進行訓練，訓練批次的大小為Batch＝32，動量為Momentum＝0.9，重量衰減為γ＝0.0005，學習率初始設定為lr＝0.001，當損失穩定時，每訓練十個批次學習率lr降低0.1倍，訓練周期Epoch＝80，最終得到訓練好的高光譜圖像顯著性檢測深度學習網絡模型RHSNet。